图像处理与计算机视觉的论文创新点总结 | 您所在的位置:网站首页 › 论文系统创新点怎么写 › 图像处理与计算机视觉的论文创新点总结 |
创新点的一般方向:
⇒ Generalized:泛化fixed ⇒ Adaptive,自适应(自调节)
local adaptivehard ⇒ soft(threshold)single ⇒ local,individual ⇒ others;⇒ Marginalized,⇒ Modified:修正的straightforward ⇒ iteration,直接求解,迭代求解;linear ⇒ non-linear,线性 ⇒ 非线性;做距离度量(或者其他运算)时,仅考虑两个样本,而不考虑同一样本空间的其他样本
在做两个样本的距离度量(或者其他运算),不仅考虑此两个样本,还综合考虑同一样本空间的其他全部样本(显然样本之间存在 relation,相关性),使用 K-NN 算法选出距离最近的样本,比如著名的马氏距离;
1. Dictionary Learning(字典学习)
字典学习是图像的稀疏表示(sparse representation)的重要处理方法。K-SVD 字典学习又是字典学习理论的核心模型。 给定如下参数: X=[x1,x2,…,xN] ,样本集; D=[d1,d2,…,dm] ,过完备字典; A=[α1,α2,…,αN] ,学习到的 sparse decomposition coefficients传统的字典学习目标函数如下: minD,α∑i∥xi−Dαi∥2+λ∑i∥αi∥2改进的思路:增加约束(正则化项): 保角约束(angle-preserving,conformal): minD,α∑i∥xi−Dαi∥2+λ1∑i∥αi∥2+λ2f(α)如何定义这里的 f(α) 呢。字典学习的过程就是 zi=g(xi) , X 空间向Z 空间的映射过程,我们首先找到通过 K-NN 的方法在样本空间(sample set)中寻找离当前样本 xi 最近的两个样本 xj 和 xk ,其对应的 Z 空间中的元素为 zi,zj,zk,保角特性要求 ∥xi−xj∥2∥zi−zj∥2=∥xi−xk∥2∥zi−zk∥2=∥xk−xj∥2∥zk−zj∥2=si 进一步转化为: ∑j,k∈N(∥xj−xk∥2−si∥zj−zk∥2)2则 f(αi) 的形式为: f(αi)=∑j,k∈N(∥xj−xk∥2−si∥αj−αk∥2)2A 的低秩(low-rank)约束: minD,α∑i∥xi−Dαi∥2+λ1∑i∥αi∥2+λ2f(α)+λ3∥A∥⋆参见论文:Conformal and Low-Rank Sparse Representation for Image Restoration. 2. 软硬阈值 硬阈值函数: dj,k^={dj,k,|dj,k|≥λ0,otherwise软阈值函数: dj,k^=⎧⎩⎨⎪⎪dj,k−λ,dj,k≥λ0,otherwisedj,k+λ,dj,k≤−λ当然也可转换为一个更为简洁的写法: dj,k^={sign(dj,k)(|dj,k|−λ),|dj,k|≥λ0,otherwise改进的思路:继续对阈值函数进行调整: 简单的线性叠加(linear): αf1+(1−α)f2非线性的构造方法(nonlinear,使其具有更快或者更为舒缓的衰减函数,当然选择指数函数: ex ) |
CopyRight 2018-2019 实验室设备网 版权所有 |